基于递归非线性自回归外生输入网络(RNARXNet)的时间序列太阳能发电预测研究

本研究针对太阳能发电预测(SPF)精度问题，创新性地提出递归非线性自回归外生输入网络(RNARXNet)。通过整合递归径向基函数网络(RRBFN)与非线性自回归外生输入网络(NARX)，结合随机振荡指标(STOCH)、阿隆指标(AR)等技术特征，实现归一化平均绝对误差(MAE)0.160、决定系数R20.933的优异性能，为可再生能源预测提供新范式。

　　

这项研究开创性地构建了递归非线性自回归外生输入网络(RNARXNet)，用于处理太阳能发电量预测(SPF)这一关键能源问题。科研团队首先从太阳能发电数据集中获取时间序列数据，随后提取包括随机振荡器(STOCH)、阿隆指标(AR)、威廉姆斯%R(WillR)、时间序列预测(TSF)、异同移动平均线(MACD)和彩虹移动平均线在内的多维技术指标。

通过汉明距离进行特征筛选后，研究团队将递归径向基函数网络(RRBFN)与非线性自回归外生输入网络(NARX)进行创新性整合，构建出新型RNARXNet模型。该模型展现出卓越的预测性能：归一化平均绝对误差(MAE)低至0.160，均方误差(MSE)0.352，决定系数R²高达0.933，均方根误差(RMSE)为0.594。这些量化指标充分证明，RNARXNet在太阳能发电预测领域具有显著的准确性和可靠性，为智能电网调度和可再生能源管理提供了强有力的技术支撑。